多模态大语言模型中的乘法：文本、图像和音频输入的计算

多模态大语言模型虽能感知数值内容，但在跨模态执行精确多位乘法时表现失败。本文提出受控的多模态乘法基准，系统变化数字长度、稀疏度、表示形式及模态，并定义“算术负载”作为性能预测指标。评估显示准确率随负载增加急剧下降。感知与计算分解实验表明，性能退化主要源于计算而非感知缺陷。此外，通过强制完成损失探测，发现模型倾向于使用分解等启发式推理策略，且基础模型内部已具备优化的路由机制。